孙晶云，鲁东丽，郭军，高云，陈宇峰，向郑涛

（1.湖北汽车工业学院 电气与信息工程学院，湖北 十堰 442002；2.浙江鸿程计算机系统有限公司，浙江 杭州 311100；

3.东风汽车动力零部件有限公司，湖北 十堰 442000）

车辆在行驶过程中能量消耗会受工况影响，针对不同工况制定不同的车辆能量管理策略，可以达到节能减排的效果［1-2］。目前国内外不少学者对行驶工况识别算法进行了研究，王宪彬［3］等人分析了商用车在行驶过程中的工况特点，基于朴素贝叶斯分类器对高速公路行驶工况进行识别。Lin等人［4］采用K-means算法对工况进行聚类，通过学习向量量化神经网络实时识别行驶工况。文献［5］基于聚类理论对3类行驶工况进行识别，并制定了混动车能量管理策略。Xie 等人［6］和Hazal 等人［7］提出利用模糊控制器结合其他模型进行工况识别。上述方法中，传统聚类算法对聚类中心敏感，中心值选取对识别结果影响大；使用传统的神经网络算法时，需要预先获得大量训练数据，在实际操作中有一定困难，如训练时间过长、数据量小时训练效果不佳等［8］；传统模糊识别方法对专家经验依赖大，需要反复调整隶属度函数。SVM通过更改重要参数影响识别精度［9］，PSO算法可以快速搜索到最优参数，但是有陷入局部最优的可能性［10］。为避免以上问题，文中结合SVM和PSO算法的特点，提出了基于遗传粒子群优化支持向量机（genetic algorithm for particle swarm optimization support vector machine，GAPSO-SVM）模型的行驶工况识别算法，并将优化后的GAPSO-SVM 模型与K-CV-SVM 模型、PSO-SVM模型进行对比分析。

1 GAPSO-SVM模型简介

1.1 SVM算法原理

传统SVM 是经典的二分类算法，该算法将输入的样本特征参数变换至高维特征空间，使样本线性可分，再求解寻找超平面，在保证识别精度的同时使该超平面与样本间的间隔尽可能大［9］。假设给定训练样本：

式中：xi为输入样本；yi为对应样本的标签。超平面记作：

式中：w为超平面的法向量；b为超平面的截距。距离超平面最近的样本点为支持向量，不同类别的支持向量间隔d为

构建Lagrange函数求解该约束优化问题：

式中：ai为各样本的Lagrange 乘子，是非负变量。分别对式（5）中的w和b求偏导数并置零，将该约束优化问题转为对偶问题，从样本中得到超平面的决策函数：

在解决实际问题时，样本通常是非线性可分的。针对非线性问题，SVM引入了核函数，同时定义松弛变量ξi≥0 和惩罚系数C＞0。假定存在1 个非线性转换φ(x)，样本通过该转换可映射到高维特征空间，在新的特征空间中构造超平面。此时超平面的决策函数为

常用的核函数有线性核函数、多项式核函数和高斯核函数，由于高斯核函数可映射到无穷维度，且结构不复杂，文中使用经验法选取常用的高斯核函数作为核函数［9-11］：

式中：g为核函数宽度。在SVM 求解过程中，参数C和g的选取对分类效果影响大。C越大表示容错性越小，可能出现过拟合，C越小则可能欠拟合；g越大表示支持向量越少，g越小则支持向量越多。文中通过GAPSO算法对C和g进行参数寻优。

1.2 PSO算法原理

标准PSO 算法中，各粒子进行信息传递，粒子记录并更新个体极值pb和全局极值gb，根据个体和群体的经验进行速度调整［12］：

式中：ω为惯性权重系数，ω越大则越倾向于全局搜索，反之则倾向于局部搜索；vti为第t次迭代时粒子i的速度；c1、c2为学习因子，是非负常数，分别调整粒子向pb和gb位置飞行的最大步长，学习因子越大粒子飞向目标区域的速度越快，存在越过目标区域的可能，反之速度越小，存在远离目标区域的可能；r1、r2为［0,1］的随机数。根据速度，粒子对自身位置xi进行更新：

1.3 GAPSO-SVM算法

PSO算法具有收敛速度快的特点，同时可能因为过早收敛陷入局部最优。GAPSO算法通过引入GA 中的杂交和变异操作，允许粒子在过早收敛前跳出局部最优搜寻其他区域［10］。杂交概率pc和变异概率pm为［0,1］的随机数，随机选取2个粒子xcr1、xcr2，根据pc决定该轮循环是否进行杂交操作，新粒子的位置更新公式为

若杂交后子代适应度高于父代，粒子位置更新为子代位置，否则位置不变。根据pm决定该轮循环是否进行变异操作，并随机选取变量进行变异，新粒子的位置更新公式为

式中：随机变量Y服从期望为0、方差为1的高斯分布，其概率密度函数为

若变异后子代适应度高于父代，粒子位置更新为子代位置，否则位置不变。GAPSO-SVM 算法中，将行驶工况识别精度作为适应度函数：

式中：n0为训练集中正确分类样本数；N0为训练集样本总数。GAPSO-SVM算法流程如图1所示。

图1 GAPSO-SVM算法流程

2 参数设置及仿真

使用现有的标准工况构建典型工况数据库，在MATLAB上完成GAPSO-SVM模型仿真，并使用该模型进行行驶工况识别。

2.1 行驶工况样本获取

根据不同工况的特点，选定城市、郊区、高速3类典型工况进行识别［10，13］。城市工况中红绿灯多，交通流量相对较大，偶尔会出现道路拥堵的情况，车速偏低；郊区工况中车辆能够保持一定速度稳定行驶，与城市工况相比怠速及停车情况更少；高速工况中速度较高且整体波动较小，几乎不存在拥堵情况。选取各国发布的标准轻型车行驶工况进行裁剪拼接，为避免过拟合，将每个标准行驶工况分别选取80%和20%构成训练数据和测试数据，使用标准行驶工况WLTP 低速部分、NYCC、USA_CITY_II、UDDS 构成城市工况；WLTP 中速部分、ARTEMIS_ROAD、USA_CITY_I 构成郊区工况；WLTP 高速及超高速部分、USA_FTP_HIGHWAY、ARTEMIS_MOTORWAY 构成高速工况，对数据拼接处做平滑处理［14］。拼接后的3 类工况训练数据见图2a，3类工况测试数据见图2b。

图2 不同工况数据

考虑到拼接后每类工况的总时长不同，使用随机数法抽取样本。实验时取连续数据片段120 s构成1 组样本，从每类行驶工况的训练数据中抽取160组样本构成训练集，从每类行驶工况的测试数据中抽取40组样本构成测试集，共计600组样本。各样本的初始时刻为

式中：α为（0,1）的随机数；T为某类工况数据的总时长；ΔT为样本片段时长，取120 s。

2.2 特征提取及预处理

行驶工况的特征值反应了不同工况的特点，根据文献［10,15］，尽可能多地考虑特征参数选取，综合分析选取最大速度、平均速度、平均加/减速度、最大加/减速度、平均运行速度、速度标准偏差、加速度标准偏差、匀/加/减速比例作为特征参数。通过计算得到每组样本的12 个特征参数，为了统一特征参数的数量级，将特征值进行归一化处理：

式中：Xmax、Xmin分别为样本中特征值X的最大值与最小值。车辆行驶过程中特征值会随着工况的变化而变化，且特征参数之间存在一定关系，若考虑所有特征参数进行行驶工况识别会降低识别准确率。因此使用主成分分析法对特征参数进行预处理，主成分贡献率及累计贡献率见表1。

表1 主成分贡献率及累积贡献率

根据文献［16］，累计贡献率达到80%以上且特征值大于1的主成分包含大部分信息。由表1可知前4个主成分的累计贡献率为88.9021%，已超过80%，且前4个主成分的特征值均大于1，因此选取前4个主成分进行得分计算，根据排名选取最大速度、平均速度、平均加速度、平均减速度作为后续的识别模型输入参数。

2.3 基于GAPSO-SVM模型的行驶工况识别

行驶工况识别仿真使用K-CV-SVM、PSOSVM和GAPSO-SVM分别进行模型训练，再进行识别准确率对比。使用的行驶工况识别方法流程图如图3所示。

图3 行驶工况识别方法流程图

使用K-CV 对参数C和g进行网格寻优时，最优参数值为识别准确率最高时对应的参数值，设置C、g取以2为底的离散值，范围为

根据文献［17-19］选取3 组参数组合，分别标记为P1（ω=0.7298、c1=c2=1.49618）、P2（ω=0.6、c1=c2=1.7）、P3（ω=0.4、c1=c2=2）。最大迭代次数为100，种群数量为40，重复实验10次，取实验平均值作为识别结果。PSO 和GAPSO 在3 组参数组合下的实验结果如图4 所示。由图4 可知，3 组参数对识别精度的影响都在1%内，并且GAPSO的识别精度都高于PSO，PSO 和GAPSO 在参数组合P2下均达到最高，因此选定P2组合作为后续实验参数。

图4 不同参数下PSO与GAPSO的识别精度

使用PSO模型进行参数寻优时，设置最大迭代次数为100，种群数量为40，ω为0.6，c1、c2分别为1.7；使用GAPSO 模型进行参数寻优时，设置最大迭代次数为100，种群数量为40，ω为0.6，c1、c2分别为1.7，Pm、Pc分别为0.3 和0.7。GAPSO 法寻优过程见图5。3 种模型的训练结果对比见表2。使用GAPSO-SVM模型的训练集最优识别精度分别比KCV-SVM和PSO-SVM模型高出1.04%和0.21%。

图5 GAPSO寻优过程

表2 训练结果对比

3 仿真结果分析

测试样本共120组，城市工况、郊区工况、高速工况各40组，重复实验20次，取实验平均值作为识别结果，3 种模型的测试集识别结果见表3。使用K-CV-SVM、PSO-SVM 和GAPSO-SVM 的识别精度分别为78.79%、81.75%和84.38%，使用GAPSOSVM 模型的总识别精度相较于K-CV-SVM、PSOSVM分别提升了5.59%、2.63%。3种模型对测试集的郊区工况识别错误率最高，同时GAPSO-SVM模型的各工况识别精度要高于其他2种模型。

表3 不同算法的测试集工况识别精度

文献［15］中采用PSO-SVM 算法进行识别，测试样本识别率可达93.125%。若采用文献［15］的样本获取方法，文中提出的GAPSO-SVM算法的识别率可达到97.5%。在样本获取阶段直接采用随机数法进行样本抽取，训练样本和测试样本重叠，识别过程中存在过拟合问题，导致识别率偏高。因此，文中提前划分了训练数据和测试数据，分别在训练数据和测试数据中获取样本。

4 结论

利用现有标准工况构建3类典型工况，对不同类别的工况进行特征参数提取，并使用归一化、主成分分析进行数据预处理。建立GAPSO-SVM 识别模型，并在MATLAB 上进行仿真实验。在测试集上分别用K-CV-SVM、PSO-SVM、GAPSO-SVM模型对比识别精度，实验结果表明，GAPSO-SVM模型的识别精度分别比K-CV-SVM、PSO-SVM 高出5.59%、2.63%。由于各地区的道路交通规则不同，车辆行驶过程中行驶工况会受路况影响，后续研究将实际采集车辆行驶工况进行模型训练，并结合路况信息对识别结果进行修正。